摘要：許多控制參數(shù)不能實現(xiàn)在線檢測導致污水生物處理過程難以實現(xiàn)效果良好的自動控制。神經(jīng) 網(wǎng)絡 可以用于污水生物脫氮過程控制的軟測量。與EFOR模擬 計算 結果相比，軟傳感器“測得”的出水總凱氮的絕對誤差在±0.03mg/l之內，相對誤差在±2.5%之內。

關鍵詞：神經(jīng)網(wǎng)絡 污水生物脫氮 自動控制 軟測量 。

由于排放標準對出水氮、磷濃度限制的提高，近年來提出了很多生物去除營養(yǎng)物(Biological Nutrient Removal-BNR)的工藝。與只包含去除有機物的傳統(tǒng)活性污泥工藝相比，這些BNR工藝多數(shù)需要復雜的檢測和控制。因此，污水處理工藝的自動化越來越引起人們的注意。然而由于活性污泥工藝的生物學特性，許多控制參數(shù)不能實現(xiàn)在線檢測，并且現(xiàn)有的在線傳感器用于工藝自動化還不夠可靠。解決這一 問題 有兩種途徑[1]：開發(fā)用于檢測控制參數(shù)的新 方法 ;開發(fā)基于從現(xiàn)有在線傳感器獲得的信息的軟傳感器。由于軟傳感器既可以替代硬件傳感器又可以與硬件傳感器一起 應用 起到校驗作用和避免冗余，近來很多 研究 者開始了這方面的研究[1][2][3][4][5]。

神經(jīng)網(wǎng)絡(NN)是人工神經(jīng)網(wǎng)絡(Artificial Neural Networks，ANN)的簡稱，是90年代以來活躍于工程領域并迅速 發(fā)展 的一門前沿 科學 ，它的主要優(yōu)點是可以充分逼近任意復雜的非線性關系【6】。近年來人工神經(jīng)網(wǎng)絡已成為數(shù)學建模領域的一個熱點，得到廣泛應用。用神經(jīng)網(wǎng)絡將難以實時檢測的參數(shù)與污水處理的一些易檢測過程參數(shù)聯(lián)系起來，建立其可靠的相關關系，從而間接實現(xiàn)對污水水質參數(shù)在線實時檢測的目的，這就是所謂的“軟測量”技術，其中的神經(jīng)網(wǎng)絡就是軟傳感器。

污水處理廠生物脫氮的控制中，在線傳感器是控制系統(tǒng)的薄弱環(huán)節(jié)。能夠在線檢測的參數(shù)有：氨態(tài)氮(NH4+)、硝態(tài)氮 (NOx-)，但總凱氮(Total Kjeldahl Nitrogen—TKN)不能在線檢測，這使得脫氮工藝不能實現(xiàn)閉環(huán)控制。污水中的TKN濃度和其它水質參數(shù)之間存在一定的相關關系，用神經(jīng)網(wǎng)絡模擬這種關系，根據(jù)可以精確在線檢測的參數(shù)和得到的它們與TKN之間的相關關系推出TKN的值，即可以實現(xiàn)TKN的在線檢測。

以ASM系列模型(ASMs)為基礎的EFOR軟件是國際上最普遍使用的模擬污水生物處理的商業(yè)軟件。EFOR軟件的模擬輸入輸出數(shù)據(jù)可以用于訓練神經(jīng)網(wǎng)絡，用同一組進水數(shù)據(jù)同時作為EFOR軟件和訓練好的神經(jīng)網(wǎng)絡的輸入，比較其輸出，可以評價神經(jīng)網(wǎng)絡的“測量”效果。

1 軟傳感器—神經(jīng)網(wǎng)絡的構建

與TKN濃度相關的可以精確在線檢測的水質參數(shù)包括：污水流量(Q)、總化學需氧量(CODt)、懸浮固體(SS)、氨態(tài)氮(NH4+)、硝態(tài)氮 (NOx-)、總堿度(TAL)、溶解氧(DO)。用這些參數(shù)作為輸入，TKN作為輸出構建神經(jīng)網(wǎng)絡。

神經(jīng)網(wǎng)絡類型：采用 目前 較為廣泛應用的以多層感知器為基礎的誤差反向傳播前饋神經(jīng)網(wǎng)絡——BP神經(jīng)網(wǎng)絡。

神經(jīng)網(wǎng)絡結構： 理論 上早已證明，具有偏差和至少一個S型隱含層加上一個線性輸出層的網(wǎng)絡能夠逼近任何有理函數(shù)，神經(jīng)網(wǎng)絡訓練誤差精度的提高應優(yōu)先通過增加隱含層中的神經(jīng)元數(shù)目來獲得【7】。因此，采用有偏差的2層BP神經(jīng)網(wǎng)絡(一個隱含層)。

訓練函數(shù)：TRAINLM;自適應 學習 函數(shù)：LEARNGDM;隱含層傳遞函數(shù)：TANSIG;輸出層傳遞函數(shù)：PURELIN。

輸入?yún)?shù)n=7，輸出參數(shù)m=1，取隱含層節(jié)點數(shù)n1=6。

神經(jīng)網(wǎng)絡程序用MATLAB6.5編制。神經(jīng)網(wǎng)絡的結構如圖1示。圖中前面一層是輸入層，此處輸入?yún)?shù)為7個，iw{1,1}表示輸入層到隱含層的權重矩陣，b{1}為加到隱含層每個節(jié)點上的閾值矩陣;中間一層為隱含層，隱含層節(jié)點數(shù)為6個，iw{2,1}表示隱含層到輸出層的權重矩陣，b{2}為加到輸出層每個節(jié)點上的閾值矩陣;最后一層為輸出層，此處輸出參數(shù)為1個。

圖1 6個隱含層節(jié)點的BP神經(jīng)網(wǎng)絡結構

2 神經(jīng)網(wǎng)絡的訓練

選擇EFOR軟件中提供的基于ASM-1的典型脫氮工藝用EFOR對污水生物脫氮工藝(流程如圖2示)進行模擬，得到一組(8×1199個)出水水質數(shù)據(jù)，其中包含Q、CODt、SS、NH4+、NOx-、TAL、DO、TKN，其取值如表1所示。

圖2 基于ASM-1的典型污水生物脫氮工藝流程

Inlet1——進水;Outlet1——出水;PS1——初沉池;AS1——曝氣池1;AS2——曝氣池2;SS1——污泥沉淀池;WS1——初沉池剩余污泥排放;WS1——二沉池剩余污泥排放;Pump1——初沉池剩余污泥排放泵;Pump2——內回流泵;Pump3——污泥回流泵;Pump4——二沉池剩余污泥排放泵

表1. 用于訓練神經(jīng)網(wǎng)絡的水質參數(shù)的取值

用這組數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練，訓練的過程如圖3示。圖中橫坐標為神經(jīng)網(wǎng)絡訓練步數(shù)，縱坐標為每步訓練得到的神經(jīng)網(wǎng)絡誤差，神經(jīng)網(wǎng)絡訓練的誤差指標為0，經(jīng)100步訓練后得到的神經(jīng)網(wǎng)絡誤差為2.18382×10-5。

圖3 神經(jīng)網(wǎng)絡的訓練過程

訓練得到的權重矩陣：

iw{1,1}=[0.0025874 -0.32124 -0.45552 3.4238 -0.84748 6.0491 0.49367; 0.0011911 -0.18044 0.075046 -22.2312 -0.21167 9.4625 1.7691; -0.00036045 -0.45894 0.19257 -7.6452 -0.21234 -0.90929 -1.1687; 0.0016727 -0.051073 -1.0667 6.9585 -0.54836 1.9055 -1.1866; 0.00021969 0.14555 -0.46177 8.1313 -0.85366 -12.0507 1.2702; -0.000306 -0.28936 -0.27846 8.3247 0.38333 -1.4188 -1.0156]

iw{2,1}=[0.012959 -0.054891 -0.050993 -0.040351 -0.051562 -0.11084]

b{1}=[11.6625; -12.1541; 34.0644; 9.8161; 25.2863; 19.6727]

b{2}=[0.9962]

3 對軟傳感器的檢驗

用EFOR模擬得到的另外一組出水水質數(shù)據(jù)(8×241個)檢驗經(jīng)訓練的神經(jīng) 網(wǎng)絡 作為軟傳感器的精確度：以該組數(shù)據(jù)的Q、CODt、SS、NH4+、NOx-、TAL、DO作為軟傳感器的輸入“測得”一組(1×241個)TKN值，把它們與EFOR得到的TKN值分別進行比較，結果如圖4所示。

圖4 對軟傳感器的檢驗結果

從圖4中可以看出，用軟傳感器“測得”的TKN與EFOF模擬 計算 得到的TKN結果比較，絕對誤差在±0.03mg/l之內，相對誤差在±2.5%之內。

4 結論

神經(jīng)網(wǎng)絡用于污水生物脫氮過程控制的軟測量效果良好：與EFOR模擬計算結果相比，軟傳感器“測得”的出水TKN的絕對誤差在±0.03mg/l之內，相對誤差在±2.5%之內。

BP神經(jīng)網(wǎng)絡的最主要缺點是容易陷入局部極小值，這在網(wǎng)絡的訓練過程中得到充分的體現(xiàn)。解決的 方法 是，訓練效果不好時，換用不同的初始權值矩陣和初始偏差重新進行訓練。

  使用微信“掃一掃”功能添加“谷騰環(huán)保網(wǎng)”